1. 常见的深度学习框架简介
为清水等地区用户提供了全套网页设计制作服务，及清水网站建设行业解决方案。主营业务为成都网站制作、成都网站设计、清水网站设计，以传统方式定制建设网站，并提供域名空间备案等一条龙服务，秉承以专业、用心的态度为用户提供真诚的服务。我们深信只要达到每一位用户的要求，就会得到认可，从而选择与我们长期合作。这样，我们也可以走得更远！
名称 | 诞生 | 优点 | 缺点 | 评价 | 项目地址 | PyTorch | 2017年1月,Facebook 前身2002年诞生纽约大学的Torch | 简洁：tensor->variable->nn.Moudle 速度： 易用： 活跃的社区 | | | |
Theano | 2008年蒙特利尔大学LISA python库 | 奠定了基本设计方向：以计算图为框架核心，采用GPU加速计算 | 难调试，构建图慢 | 停止开发，不建议研究 | |
TensorFlow | 2015年，Google Python C++ | 基于计算图实现自动微分系统 在ARM架构上编译和优化 | 系统设计复杂 频繁变动接口 接口设计难懂 文档混乱 | 不完美但最流行，社区强大，适合生产环境 | https://github.com/tensorflow/tensorflow |
Keras | 高层神经网络API Python | 支持快速实验 屏蔽后端的差异性，提供一致的用户接口 | 过度封装 程序缓慢 | 入门简单，不够灵活，使用受限 | https://keras.io/ |
Caffe/Caffe2 | C++ | 简洁快速，易用 全平台支持 | 缺少灵活性 | 文档不够完善，性能 优异，全平台支持，适合生产环境 | https://caffe.berkeleyvision.org/ https://caffe2.ai/ |
MXNet | 2014 Amazon李沐 | 分布式支持，内存、显存优化 AWS云平台 | 接口文档不够完善 | 文档混乱，分布式性能强大，语言支持最多，适合AWS云平台使用 | https://mxnet.incubator.apache.org/ |
CNTK | 2015年 微软公司 | | | 社区不够活跃，性能突出，擅长语音方面的相关研究 | |
PaddlePaddle | 百度 | | | | |
CyNet | CMU开发 | | | | |
Tiny-dnn | C++11标准 | | | | |
Deeplearning4J | Java | 文档优秀 | | | |
Nervana | Inter | | | | |
DSSTNE | Amazon | | | | |
CoreML | | | | | |
MDL | | | | | |
2. ONNX标准
Facebook和微软，推出Open Neural Network Exchange(ONNX,开放神经网络交换)格式，一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移。
https://github.com/ritchieng/the-incredible-pytorch
https://discuss.pytorch.org/
分享题目：1.PyTorch简介
转载来源：
http://cdkjz.cn/article/gigidg.html
